邓忠民，张鑫杰

(北京航空航天大学 宇航学院，北京 100191)

0 引言

近年来，有限元模型修正逐渐得到国内外研究者的广泛关注[1-3]，其发展方向逐渐从线性扩展到非线性。非线性模型修正包括两方面[4]：1)非线性的描述及量化[5]，即如何衡量结构真实响应和仿真预测结果之间的差异；2)如何对待修正的非线性参数进行识别和更新[6]。常见的几类传统非线性模型修正方法包括：误差法[7]、三段法[8]、神经网络法等[9]。这些传统的人工非线性特征提取的过程中，首先需要对非线性成分进行识别和定位[10]，然后利用信号处理方法对非线性信号进行特征提取，将识别出的非线性成分作为修正目标[11]，进而求解出待修正参数的预测结果。在这一过程中由于非线性特征通常较为复杂，人工非线性提取和量化方法存在着一定的误差[12]。随着特征提取技术的不断发展，人工特征提取的局限性也日益显现[13]。

而深度学习理论对于这种复杂信息的特征提取有着传统人工特征提取方法难以比拟的准确度和特征维度[14]，被广泛应用于影音图像领域的识别[15]、分类、回归等问题。深度卷积神经网络(DCNN)的出现减少了大量人工特征设计[16]、选择和提取工程，可以完成更为自动化的特征分析过程[17]。与传统人工神经网络不同，深度卷积神经网络不需要严格选择特征[18]，只需要引导学习来达到期望的目标[19]。本方法利用深度卷积神经网络替代传统方法中的非线性特征识别过程，通过非线性激活函数，完成非线性的逆向传递关系，提高非线性问题的表征能力。……